Repblica Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental de las Fuerzas Armadas
Punto Fijo Ncleo Falcn








VARIABLES ALEATORIAS
BIDIMENSIONALES






3 Semestre Ingeniera en Sistemas Seccin B
Integrantes
Sabas Vega 23.586.157
Vanessa Quero 24.526.642
Wiliam Rodriguez 24.595.726
Profesora: Karelis Molina.
Punto Fijo: 22 de Abril del 2014
Funcin de densidad conjunta
Dos variables aleatorias e tienen distribucin conjunta continua si existe una
funcin f:

tal que si F es la funcin de distribucin conjunta e

entonces:

( )

( )

La funcin f se llama funcin de densidad conjunta de e .
Propiedades de las funciones de densidad conjunta
Son funciones f:

que cumplen dos propiedades:

a) ( ) para todo ( )

b) ( )

Al igual que en el caso de una sola variable, tambin la funcin de densidad
conjunta es un modelo para un histograma conjunto de las variables e , en
general se necesitan muchos datos para poder representar y modelar un
histograma conjunto.
Preposicin: A partir de la definicin de distribucin conjunta continua se puede
demostrar que si e tienen funcin de densidad conjunta ( ) entonces:
( ) ( )

Ms aun, esto no solo es cierto para rectngulos sino para cualquier

( ) ( )

Conocida la funcin de densidad conjunta se puede calcular la funcin de
densidad de y la de ?
La respuesta es s y la forma de calcularlas es similar al caso discreto, con
integrales en lugar de sumatorias:

() ( )

() ( )

( ) Se llama funcin de densidad conjunta, y se llaman funciones de
densidad marginales.
Ejemplo:
Dada la funcin de densidad conjunta:
( )

y ( ) para
a) Demostrar que las variables x e y son estadsticamente independientes.
b) Calcular la funcin de regresin de dado .
Solucin:
a) Por definicin, dos variables aleatorias son independientes si, y solo s.
( ) ()()
Una primera observacin que podemos hacer es que esto slo puede cumplirse si
el dominio donde la funcin ( ) es distinta de cero es rectangular. Si el dominio
no es rectangular, podemos afirmar sin ms demostraciones que e no son
independientes.
Sin embargo, en nuestro caso el dominio ( ) Sin embargo, en
nuestro caso el dominio:

Hallemos las funciones marginales:

() ( )

( )

( )

para
() ( )

( )

para
Vemos que para cualquier par de valores (x, y) podemos expresar la f(x, y) como
el producto de las funciones marginales, ya que en el dominio rectangular:

()()

( )

( ) ( )
Y para el resto de valores: () () y ( ) . Luego, x e y son
independientes.
b) Recordar que la funcin o lnea de regresin es la esperanza condicional,
en este caso, de y dado x. Para su clculo podemos hallar primero la
funcin condicional:
(

)
()
()

()

()
para
(

) (

para

Funcin de densidad marginal
Cuando se estudian ms de una variable aleatoria en forma conjunta, puede ser
de inters conocer la distribucin de probabilidad de cada variable aleatoria dado
que a otra variable aleatoria toma un valor especifico. Estas funciones se
denominan distribuciones marginales.
Definiciones
Sean variables aleatorias discretas y ( ) funcin de probabilidad conjunta.
Entonces
() ( )

Distribucin marginal de .
() ( )

Distribucin marginal de .

Las distribuciones marginales() () son funciones d probabilidad de las
variables aleatorias separadamente. Estas funciones deben cumplir las
propiedades de una funcin de probabilidad y pueden ser usadas para calcular
probabilidad para cada variable.

1) () ()

2) () ()



3) ( ) () ( ) ()

Ejemplo:
Suponga que , son variables aleatorias discretas cuya funcin de distribucin
de probabilidad conjunta esta descrita en el siguiente cuadro

X=0 X=1 X=2
Y=1 0.1 0.2 0.05
Y=2 0.3 0.1 0.25

a) Encuentre las distribuciones marginales tabular mente.
Se suman los valores de las filas y columnas y se escriben en los mrgenes. Estos
valores representan la probabilidad de una variable, incluyendo todos los valores
de la otra variable.
X=0 X=1 X=2 h(y)
Y=1 0.1 0.2 0.05 0.35
Y=2 0.3 0.1 0.25 0.65
g(x) 0.4 0.3 0.3 1

b) Calcule P(x=1)
P(X=1)= g(1) = 0.3

c) Calcule P(Y=2)
P(y=2)=h(2)=0.65

Funcin De Densidad Condicional
Sea X un vector aleatorio continuo con funcin de densidad conjunta g x ( x ) con x
e R .
La funcin de densidad condicional de X (1) =( X 1 ,....,X m )dado el vector X (2) =(
X m+1,. ....,X n )es:

Ejemplo 9. Continuando con el ejercicio 8, obtener : La funcin de densidad
marginal de X e Y. Probabilidad de que el trabajador A labore mas de tres
cuartas partes del tiempo y el B mas de la mitad del da.
La funcin de densidad condicional del tiempo laborado por B conociendo el
tiempo laborado por A.
Solucin



Valor Esperado condicional:
Para el caso particular y= g(x) el valor esperado de y, condicionado al evento M,
es definido por:
[() ] () ()

Definicin de variables aleatorias independientes
Dadas X e Y, variables aleatorias con funciones de densidad de
probabilidad fX y fY , respectivamente, se dice que son independientes si: f, f f (x y
xy ) = ( ) ( ) cuales quiera que sean x e y . Donde f designa a la funcin de
densidad conjunta de la variable bivariante (X, Y). Otra forma de exponer este
concepto, pasa por considerar los sucesos A y B de la experiencia aleatoria,
determinados por dos conjuntos de valores numricos de X e Y, respectivamente.
La independencia de X e Y se traduce en la independencia entre A y B, es decir, la
probabilidad de que tengan lugar los sucesos A y B simultneamente debe
coincidir con el producto de la probabilidad de realizacin de A por la de B: Pr Pr
Pr ( ) AB A B = ( ) ( )
Esta definicin puede extenderse a k variables aleatorias 1 2 ,,, YY Y " k ,
donde la independencia entre ellas est asegurada si f ,,, f f f ( ) y y y y y y 12 1 12
2 " " k k k = ( ) ( ) ( ) cuales quiera que sean 1 2 ,,, k y y y " . Donde f designa la
funcin de densidad conjunta de (YY Y 1 2 ,,, " k );2 fi designa la funcin de
densidad de Yi .
Se pueden distinguir distintos tipos de variables aleatorias segn dos criterios de
clasificacin:
(a) Variables cuantitativas que son las que resultan de experimentos cuyos
resultados son directamente numricos;
(b) Variables cualitativas que son las que proceden de experimentos cuyos
resultados expresan una cualidad no numrica que necesita ser cuantificada.
Otra clasificacin ms operativa de las variables aleatorias sera:
(a) Variable discreta: aquella que se define sobre un espacio muestral numerable,
finito o infinito.
Espacio numerable es aquel cuyos elementos se pueden ordenar, asignndoles a
cada uno un nmero de la serie de los nmeros naturales (del 1 al n del 1 al I).
Todas las variables con un nmero finito de valores y todas las que tomen valores
en nmeros enteros o racionales (fraccionarios), son variables discretas;
(b) Variable continua: es aquella que se define sobre un espacio asimilable al
conjunto de los nmeros reales, es decir, un espacio no numerable (o un espacio
infinito de tipo C o infinito dos).
En general, la regla de oro es que todas las variables que proceden de
experimentos en los que se cuenta son discretas y todas las variables que
proceden de experimentos en los que se mide son continuas.
Se dice que hemos definido una variable aleatoria para un experimento aleatorio
cuando hemos asociado un valor numrico a cada resultado del experimento.
Sea E el espacio muestral asociado a un experimento. Se llama variable aleatoria
a toda aplicacin del espacio muestral E en el conjunto de los nmeros reales (es
decir, asocia a cada elemento de E un nmero real).
Se utilizan letras maysculas X Y, para designar variables aleatorias, y las
respectivas minsculas, x, y " para designar valores concretos de las mismas.
Si un experimento con espacio muestral E, tiene asociada la variable aleatoria X,
es natural que se planteen preguntas como: cul es la probabilidad de que X
tome un determinado valor? Esto nos lleva a establecer, por convenio, la siguiente
notacin:
X =x representa el suceso "la variable aleatoria X toma el valor x ", y Pr ( ) X =x
representa la probabilidad de dicho suceso
X <x representa el suceso "la variable aleatoria X toma un valor menor a x ", y Pr (
) X <x representa la probabilidad de que la variable aleatoria X tome un valor
menor a x
X x representa el suceso "la variable aleatoria X toma un valor menor o igual a x
", y Pr ( ) X x representa la probabilidad de que la variable aleatoria X tome un
valor menor o igual a x.
Esperanza matemtica de funciones de varias variables
aleatorias:
En estadstica la esperanza matemtica (tambin llamada esperanza, valor
esperado, media poblacional o media) de una variable aleatoria X, es el nmero
que formaliza la idea de valor medio de un fenmeno aleatorio.
Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la
probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho
suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado
de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene
constante y el experimento se repite un elevado nmero de veces. Cabe decir que
el valor que toma la esperanza matemtica en algunos casos puede no ser
"esperado" en el sentido ms general de la palabra - el valor de la esperanza
puede ser improbable o incluso imposible.
Por ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6
caras es 3,5.
Podemos hacer el clculo:

Y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este
caso, en el que todos los sucesos son de igual probabilidad, la esperanza es igual
a la media aritmtica.
Una aplicacin comn de la esperanza matemtica es en las apuestas o
los juegos de azar. Por ejemplo, la ruleta americana tiene 38 casillas
equiprobables. La ganancia para acertar una apuesta a un solo nmero paga de
35 a 1 (es decir, cobramos 35 veces lo que hemos apostado y recuperamos la
apuesta, as que recibimos 36 veces lo que hemos apostado).
Para una variable aleatoria discreta con valores posibles y
sus probabilidades representadas por la funcin de probabilidad la
esperanza se calcula como:

Para una variable aleatoria absolutamente continua, la esperanza se calcula
mediante la integral de todos los valores y la funcin de densidad :

La definicin general de esperanza se basa, como toda la teora de la
probabilidad, en el marco de la teora de la medida y se define como la
siguiente integral:

La esperanza tambin se suele simbolizar con
Las esperanzas para se llaman momentos de orden
. Ms importantes son los momentos centrados .
No todas las variables aleatorias tienen un valor esperado. Por ejemplo,
la distribucin de Cauchy no lo tiene.
Propiedades
a) Constantes:
La esperanza matemtica de una constante es igual a esa misma constante,
es decir, si c es una constante, entonces E[c] = c.
b) Linealidad:
La esperanza es un operador lineal, ya que:

(*)
Por ende:

Donde e son variables aleatorias y y son dos constantes
cualesquiera.
Ntese que (*) es vlido incluso si X no es independiente de Y.

Extensin al caso n-dimensional.
Al igual que ocurra en el caso de distribuciones de frecuencias los indicadores
fundamentales de la distribucin son nicamente los que se pueden obtener a partir de las
distribuciones marginales unidimensionales (media, varianza, etc.) y de cada par de
variables (covarianza y coeficiente de correlacin).

Bibliografa:
Probabilidad y estadstica bsicas para ingenieros, instituto de ciencias
matemticas escuela superior politcnica del litoral, Espol, Guayaquil,
Escuador 2007.
Hadley G., Probabilidad y Estadstica, Ediciones F.C.E. Espaa S.A., 1979
http://www.mate.unlp.edu.ar/practicas/117_12_16032011001622.pdf
http://materias.fi.uba.ar/6109/resueltos.pdf